徐鑫偉，蘭太吉，薛旭成，吳夢飛

(1.中國科學(xué)院長春光學(xué)精密機械與物理研究所，吉林 長春 130033；2.中國科學(xué)院大學(xué)，北京 100049)

0 引言

視頻穩(wěn)定是業(yè)余和專業(yè)視頻拍攝的共同需求。在業(yè)余方面，特定的視頻穩(wěn)定設(shè)備通常是十分昂貴的，而隨著以手機為主的手持式攝像機的普及，業(yè)余用戶每天拍攝出來的視頻占比越來越大，不具有穩(wěn)定器的攝像設(shè)備在拍攝過程中經(jīng)常會受到高頻抖動的干擾，導(dǎo)致拍攝的視頻帶有比較明顯的抖動，視覺質(zhì)量大幅降低。將帶有抖動的視頻重新穩(wěn)定下來是一項非常有意義的研究[1]。

電子穩(wěn)像技術(shù)以僅需要計算、無需額外設(shè)備就能達到穩(wěn)像效果的優(yōu)勢成為了當(dāng)今主流的穩(wěn)像方法。一些傳統(tǒng)電子穩(wěn)像方法[2-3]需要提取特征軌跡或使用光流法估計攝像機的運動，然后對其進行平滑以實現(xiàn)穩(wěn)定，最后根據(jù)固定網(wǎng)格計算出一個全局單應(yīng)矩陣或幾個同形矩陣以將晃動的幀重新翹曲成穩(wěn)定的幀。由于相機運動而產(chǎn)生的視差和深度的變化，使得這些傳統(tǒng)方法難以產(chǎn)生穩(wěn)定的視頻。此外，這些方法通常依賴特征點的提取，魯棒性較差，并在處理低質(zhì)量視頻(如夜景視頻、模糊視頻、有水印的視頻和帶有噪聲的視頻)時可能會穩(wěn)像失敗。

近年來，卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks，CNN)在計算機視覺任務(wù)上取得了巨大的成功，比如圖像識別[4]、目標(biāo)檢測[5]和分割[6]。特別是一些傳統(tǒng)的視頻處理問題已經(jīng)可以用深度神經(jīng)網(wǎng)絡(luò)重新解決，如圖像去噪去模糊[7]、圖像效果增強[8]等。通過創(chuàng)建一個實際的數(shù)據(jù)集在構(gòu)建好的神經(jīng)網(wǎng)絡(luò)上面進行訓(xùn)練，CNN也可以實現(xiàn)視頻穩(wěn)定的效果。

Wang等[9]設(shè)計了一種用于多網(wǎng)格翹曲變換學(xué)習(xí)的網(wǎng)絡(luò)，該網(wǎng)絡(luò)能夠獲得與傳統(tǒng)方法相當(dāng)?shù)男阅?，并且對低質(zhì)量的視頻更具魯棒性。Xu等[10]設(shè)計了一種對抗性網(wǎng)絡(luò)，用來估計一個仿射矩陣，通過仿射矩陣可以生成穩(wěn)定的幀。然而，這些方法在固定網(wǎng)格的基礎(chǔ)上估計一個或一組仿射矩陣，對于不同深度變化的場景不夠靈活和準(zhǔn)確。與傳統(tǒng)的穩(wěn)定方法相比，基于CNN的穩(wěn)定方法具有更強的魯棒性，因為它能夠很好地提取高維抽象特征，而不是依賴于特征點提取和匹配，特征點提取和匹配的準(zhǔn)確性很大程度上取決于視頻的質(zhì)量。在基于仿射變換或基于網(wǎng)格變換方面，它們與傳統(tǒng)的方法非常相似，在強視差、深度變化以及有遮擋的情況下，這些方法是非常脆弱的，很容易把視頻幀像素翹曲到錯誤的位置。

Zhao等[11]提出了一種新的名為PWStableNet的CNN來消除各種不穩(wěn)定視頻的抖動，其學(xué)習(xí)的對象是為每個不穩(wěn)定幀像素提供理想位置的像素翹曲場，通過像素翹曲場，可以將抖動視頻幀中的每個像素轉(zhuǎn)換到穩(wěn)定位置。與傳統(tǒng)方法的每幀估計一個單應(yīng)性變換或基于固定網(wǎng)格估計幾個單應(yīng)的變換方法相比，像素翹曲場為每個像素提供翹曲方向。每幀計算2個像素翹曲場分別代表像素橫向翹曲方向和縱向翹曲方向，可以為穩(wěn)定視圖中的每個像素提供理想的單獨位置，一旦某個位置發(fā)生了計算錯誤，對整體的影響很小，所以對退化模糊的圖像具有很強的魯棒性并且可以很好地處理視差，也可以處理不同對象之間的不連續(xù)深度變化。該網(wǎng)絡(luò)能夠有效處理各種低質(zhì)量、高深度的抖動視頻，是當(dāng)前魯棒性最好的深度學(xué)習(xí)穩(wěn)像方法，同時對比其他的深度學(xué)習(xí)方法在運算速度上有所提升。

PWStableNet在處理有噪聲、有模糊、帶水印和大深度等低質(zhì)量抖動視頻有魯棒性和通用性很強的優(yōu)點，但該網(wǎng)絡(luò)也存在缺乏有效局部運動抑制，易產(chǎn)生過度翹曲，造成局部失真的問題。本文針對此處進行改進創(chuàng)新，在訓(xùn)練過程中以損失函數(shù)的形式對生成的像素翹曲矩陣在空間上添加頻域損失計算來抑制高頻成分的出現(xiàn)，并利用MeshFlow網(wǎng)格流模型[12]對局部區(qū)域運動劇烈程度進行評估，添加局部運動損失阻止過度運動。實驗測試結(jié)果表明，改進后的PWStableNet能夠有效抑制局部失真并且在峰值信噪比(Peak Signal to Noise Ratio，PSNR)、幀間結(jié)構(gòu)相似度(Structural Similarity Index，SSIM)和穩(wěn)定度(Stability)等客觀指標(biāo)上有所提升。

1 PWStableNet的基本結(jié)構(gòu)

PWStableNet的基本結(jié)構(gòu)如圖1所示，網(wǎng)絡(luò)結(jié)構(gòu)的輸入是給定的一組共2w+1張連續(xù)、不穩(wěn)定的視頻幀，主體部分是一個多級級聯(lián)的編碼解碼卷積網(wǎng)絡(luò)用來估計幀間運動的抖動，網(wǎng)絡(luò)輸出一個像素級的翹曲場，該翹曲場由2個翹曲矩陣組成，指示了穩(wěn)定幀每個像素應(yīng)該由哪個不穩(wěn)定幀像素移動而來。通過這些翹曲場，可以將抖動幀中的像素轉(zhuǎn)換到新的位置組成穩(wěn)定幀。與以往基于固定網(wǎng)格估計單應(yīng)矩陣或少量同形矩陣的方法相比，PWStableNet提出的像素級翹曲場可以為穩(wěn)定視圖中的每個像素提供合適的單獨位置，并能很好地處理不同物體之間的視差甚至不連續(xù)的深度變化。

圖1 PWStableNet的基本結(jié)構(gòu)

1.1 系統(tǒng)輸入

神經(jīng)網(wǎng)絡(luò)輸入需要足夠量的信息，要想將一幀圖像穩(wěn)定下來需要用到相鄰視頻幀的信息，因此網(wǎng)絡(luò)以待穩(wěn)定幀前后w幀作為輸入。如圖1所示，待穩(wěn)定幀為第T幀，網(wǎng)絡(luò)輸入是t-w～t+w幀，共2w+1幀。輸入幀圖像半徑w的大小決定信息量的大小，會對穩(wěn)定效果和處理速度產(chǎn)生一定的影響。

1.2 像素翹曲場

像素翹曲場是與圖片像素寬、高相同，通道數(shù)為2的一組矩陣，用來映射穩(wěn)定幀和不穩(wěn)定幀之間的關(guān)系。像素翹曲場的映射關(guān)系如圖2所示。

圖2 像素翹曲場的映射關(guān)系

1.3 神經(jīng)網(wǎng)絡(luò)主體結(jié)構(gòu)

神經(jīng)網(wǎng)絡(luò)主體結(jié)構(gòu)如圖3所示，可以看到有三級級聯(lián)的網(wǎng)絡(luò)結(jié)構(gòu)，每級結(jié)構(gòu)相似，主要是編碼器-解碼器框架，類似于U-Net[13]的結(jié)構(gòu)。以單一級結(jié)構(gòu)來看，其編碼器由若干個抽象層組成，這些抽象層能夠提取大大小小的特征信息，在較深的層上有較多的通道。它的解碼器由與編碼器對應(yīng)的信道編號相同、大小相同的反卷積層組成，并通過跳躍連接與對應(yīng)的反卷積層相連接。以級間結(jié)構(gòu)來看,每級結(jié)構(gòu)都與相鄰的級自上而下保持連接，意義在于當(dāng)前級的各層能夠?qū)W習(xí)其前一級的剩余特征，在更細(xì)節(jié)位置得到更精確的估計。每級結(jié)構(gòu)都輸出一個翹曲場Tn(n表示級序數(shù))，這些學(xué)習(xí)了更多圖像細(xì)節(jié)的翹曲場相疊加得到該幀最終輸出的翹曲場T。

圖3 神經(jīng)網(wǎng)絡(luò)主體結(jié)構(gòu)

2 改進與創(chuàng)新

在性能測試時發(fā)現(xiàn),原生的PWStableNet網(wǎng)絡(luò)模型生成的視頻整體上穩(wěn)定，但是偶爾在局部會產(chǎn)生不穩(wěn)定區(qū)域，出現(xiàn)不正常的扭曲失真，經(jīng)過分析并查閱文獻后發(fā)現(xiàn)了導(dǎo)致該問題的一部分原因。像素級翹曲矩陣為每個像素安排位置，擁有極高的自由度，但是原網(wǎng)絡(luò)對像素自由運動只做了簡單的幀間均方差進行約束，缺乏更加直接有效的約束來防止過量運動。其后果就是輸出的翹曲場很容易發(fā)生個別像素點的誤匹配，把像素移動到過遠或過近的位置，增加了輸出圖像的噪聲，一定區(qū)域內(nèi)誤匹配數(shù)量過多則會局部圖像失真，降低生成的穩(wěn)定圖像的質(zhì)量。

2.1 對翹曲場增加頻域約束

在查閱相關(guān)文獻后，受到基于光流的視頻穩(wěn)定神經(jīng)網(wǎng)絡(luò)[14]的啟發(fā)，在網(wǎng)絡(luò)訓(xùn)練過程中采用對生成的翹曲矩陣加強空間平滑度的方式，來抑制局部失真和減少噪聲。加強空間平滑度的方法常見的有總變分約束和Yu等[15]提出的線性翹曲場約束。然而，這2種方法存在著一定的局限性，總變分約束對局部噪聲的抑制作用較強，而對畸變的抑制作用較弱；線性翹曲場約束難以控制，因為強約束限制了像素級翹曲場處理大規(guī)模非線性運動的靈活性，而弱約束不能很好地抑制局部形變[14]。因此，加強翹曲場空間平滑度的方法應(yīng)該滿足以下3個條件:一是能保證像素級翹曲矩陣的處理抖動視頻幀的靈活性；二是能抑制輸出圖像的局部形變；三是能減弱輸出圖像的整體和局部噪聲。在頻域利用傅里葉譜約束的方法能夠同時滿足以上條件，適合作為加強翹曲場空間平滑度的方法。

具體實現(xiàn)方法是在訓(xùn)練過程中對翹曲場中的每個翹曲場進行傅里葉變換得到其頻譜，再對頻譜進行加權(quán)運算得到新的頻譜，新頻譜的L2范數(shù)就作為此幀翹曲場頻域損失函數(shù)的值，計算公式為：

(1)

(2)

圖4 倒置高斯加權(quán)函

2.2 對穩(wěn)定幀增加局部運動約束

頻域約束是通過對翹曲矩陣進行整體性約束來抑制局部失真的發(fā)生，屬于間接方法，圖像的局部失真程度可以采用更為直接的方式進行評估。Liu提出的MeshFlow模型[12]和SteadyFlow模型[16]都能很好地檢測局部區(qū)域內(nèi)的幀間移動。MeshFlow模型基于KLT稀疏光流特征匹配[17]，SteadyFlow模型基于稠密光流，二者效果上相似，但是MeshFlow計算復(fù)雜度遠低于SteadyFlow。為了提升計算效率加快運行速度，本文采用MeshFlow模型來計算局部區(qū)域的幀間運動，評估局部區(qū)域不穩(wěn)定程度。

(a)相鄰圖像的一對特征點

所有匹配的特征都會將它們的運動傳播到附近的網(wǎng)格頂點，每個網(wǎng)格頂點會接收多個來自不同特征點的運動矢量。因此需要篩選出其中一個來代表此頂點運動矢量。中值濾波器經(jīng)常用于光流估計，并被視為高質(zhì)量流估計的訣竅[18]。這里借用了該研究的稀疏運動規(guī)則化的類似思想，采用中值濾波篩選出代表頂點區(qū)域的運動矢量。所有帶有運動矢量的網(wǎng)格頂點組成了一個稀疏運動場，表示了幀間的運動情況。

網(wǎng)格運動矢量分解如圖6所示，每個網(wǎng)格頂點運動矢量一般可以分解為2個部分:一個是表示整個幀全局運動的全局矢量;另一個是表示局部細(xì)節(jié)自由運動的局部自由矢量。

圖6 網(wǎng)格運動矢量分解

目的是計算出局部區(qū)域的不穩(wěn)定程度，全局矢量與局部區(qū)域不穩(wěn)定度無關(guān)，應(yīng)該采用代表局部自由運動的局部自由矢量來衡量局部運動劇烈程度。局部自由矢量可以由網(wǎng)格矢量與全局矢量相減得到，因此需要計算出全局矢量。前面提到MeshFlow模型的特征點由KLT光流特征匹配[17]生成，可以借鑒傳統(tǒng)方法利用這些特征點計算出全局仿射變換，把網(wǎng)格頂點坐標(biāo)帶入到仿射變換模型中得到新網(wǎng)格頂點的位置：

(3)

式中，[X′,Y′]表示仿射變換后的網(wǎng)格頂點坐標(biāo)；[X,Y]表示仿射變換前網(wǎng)格頂點的坐標(biāo)；m11，m12，m21，m22，b1，b2均為全局仿射變換的參數(shù)。全局矢量則定義為：

(4)

在訓(xùn)練過程中根據(jù)網(wǎng)絡(luò)輸出的翹曲場T生成一個穩(wěn)定幀，這個穩(wěn)定幀與上一個穩(wěn)定幀組成相鄰幀，構(gòu)建出MeshFlow網(wǎng)格模型并計算所有網(wǎng)格頂點的局部自由矢量。用這些局部自由矢量組成的稀疏運動場的L2范數(shù)來衡量此幀局部區(qū)域運動的劇烈程度，一個視頻所有幀局部損失相加作為該視頻的損失函數(shù):

(5)

式中，t表示幀序數(shù)；Lt,m為該幀的局部運動損失；N表示一幀網(wǎng)格頂點數(shù)量；n表示網(wǎng)格頂點序數(shù)；Mt,n,g表示第n個根據(jù)特征點直接求出的網(wǎng)格頂點矢量；Mt,d為根據(jù)仿射變換求出的全局矢量。

3 結(jié)果分析

在公開數(shù)據(jù)集DeepStab[9]上進行訓(xùn)練，該數(shù)據(jù)集共有61對穩(wěn)定、不穩(wěn)定視頻數(shù)據(jù)，數(shù)據(jù)集中的穩(wěn)定視頻稱為真穩(wěn)定視頻，以45對視頻作為訓(xùn)練集，8對視頻作為驗證集，8對視頻作為測試集。網(wǎng)絡(luò)模型學(xué)習(xí)率采用階梯式下降的方法，初始狀態(tài)學(xué)習(xí)率為0.01，之后每經(jīng)過10輪，學(xué)習(xí)率下降10倍。本文所有實驗數(shù)據(jù)結(jié)果均在同一硬件平臺上運行，CPU型號為Intel i9-12900k，GPU型號為Nvidia RTX-3090，在此平臺上進行測試輸出視頻的平均幀率為79幀/秒，能夠達到拍攝視頻實時處理的需求。

3.1 主觀效果

本文的改進之處在于引入了更多的約束來改善PWStableNet易發(fā)生局部失真的缺點，卷積網(wǎng)絡(luò)結(jié)構(gòu)未發(fā)生改變，處理低質(zhì)量視頻的優(yōu)秀能力得以保留，同樣具有很強的魯棒性。

用肉眼難以直接察覺到穩(wěn)定后視頻微小的局部運動，但是可以通過幀間差分圖像來實現(xiàn)局部運動可視化。網(wǎng)絡(luò)改進前、網(wǎng)絡(luò)改進后和真穩(wěn)定視頻的幀間差分圖如圖7所示，白色區(qū)域表示了相鄰幀之間發(fā)生了運動的物體的基本輪廓,白色區(qū)域的密集程度能夠反映幀間運動的劇烈程度。由圖7可以看出，改進后白色區(qū)域的密集程度接近于真穩(wěn)定視頻，明顯低于改進前，說明改進后的局部運動受到了抑制，減少了局部失真發(fā)生的可能性，主觀效果優(yōu)于改進前。本文改進后在局部區(qū)域運動上更符合穩(wěn)定視頻的要求。

(a)改進前幀間差分

3.2 客觀評價

一般電子穩(wěn)像方法輸出的幀邊界會有一部分無信息區(qū)域，處理這些區(qū)域的方法通常是直接裁剪，為了方便比較，把所有方法輸出的視頻都裁剪到一個公共區(qū)域。為了評估，改進了網(wǎng)絡(luò)的有效性，除了損失函數(shù)組成不同，網(wǎng)絡(luò)結(jié)構(gòu)以及其他超參數(shù)均保持一致。本文改進后的穩(wěn)像網(wǎng)絡(luò)除了與改進前網(wǎng)絡(luò)進行對比，還與原不穩(wěn)定視頻和基于光流特征匹配的傳統(tǒng)方法[2]進行對比，共4組對照數(shù)據(jù)。測試對象為數(shù)據(jù)集DeepStab[9]上的8個不穩(wěn)定視頻，根據(jù)視頻內(nèi)容的特征分為“常規(guī)”“運動”“低照度”和“視差”4種類型，對應(yīng)攝像機在日常使用過程中經(jīng)常遇到的情況。為了定量比較提出的網(wǎng)絡(luò)和以前的方法，計算了3個客觀指標(biāo):PSNR，SSIM和穩(wěn)定度，下面簡要地說明這3個指標(biāo)。

① PSNR：能夠反映穩(wěn)定后視頻圖像結(jié)構(gòu)信息的完整程度，其值越高，表示受到噪聲影響越小，穩(wěn)定后圖像質(zhì)量越高，失真程度越小[19]。

② SSIM：能夠衡量相鄰兩幀之間圖像相似程度，一般認(rèn)為穩(wěn)定的視頻相鄰幀之間結(jié)構(gòu)是相似的，幀間結(jié)構(gòu)相似度越高說明視頻越穩(wěn)定。

③ 穩(wěn)定度：用于衡量視頻的穩(wěn)定程度，一般認(rèn)為穩(wěn)定的視頻內(nèi)的運動緩慢的低頻成分占比較大，穩(wěn)定度計算了視頻內(nèi)的低頻成分所占的比例。計算方法采用與文獻[10]相同的方法，將每個幀分割成4×4個網(wǎng)格，記錄每個網(wǎng)格頂點經(jīng)過所有幀的歷史路徑，并將每個頂點路徑視為一維時域信號進行頻域分析。每個頂點的穩(wěn)定度計算為最低頻率分量(除去直流分量，第2～6低的頻率)在全頻率的占比。該視頻的穩(wěn)定度的值為計算所有網(wǎng)格頂點穩(wěn)定度的平均值。

客觀指標(biāo)對比結(jié)果如圖8所示，第1，2號視頻對應(yīng)“常規(guī)”類型；第3，4號視頻對應(yīng)“運動”類型；第5，6號視頻對應(yīng)“低照度”類型；第7，8號視頻對應(yīng)“視差”類型，相同類型的視頻指標(biāo)數(shù)據(jù)相近。從PSNR指標(biāo)上進行分析，改進后的網(wǎng)絡(luò)與改進前性能持平，二者均高于傳統(tǒng)方法；從SSIM指標(biāo)上進行分析,本文方法性能略高于傳統(tǒng)方法與改進前網(wǎng)絡(luò)；從穩(wěn)定度上進行分析，不同類型的視頻上呈現(xiàn)出不同的結(jié)果。在“常規(guī)”類型的視頻中，本文方法性能略高于傳統(tǒng)方法和改進前網(wǎng)絡(luò)；在“運動”類型的視頻中，3種方法性能接近；在“低照度”和“視差”類型中，傳統(tǒng)方法數(shù)據(jù)指標(biāo)高于2種基于神經(jīng)網(wǎng)絡(luò)的方法，其原因就在于傳統(tǒng)方法處理這2種類型的視頻時穩(wěn)像失敗，生成了含有大量空白區(qū)域的幀，空白區(qū)域網(wǎng)格頂點的運動矢量為零導(dǎo)致了穩(wěn)定度異常提高?？傮w上看，本文改進后網(wǎng)絡(luò)的客觀評價指標(biāo)更好。

(a)測試視頻編號及類型

本文方法是基于PWStableNet改進而來，與改進前網(wǎng)絡(luò)相對比進行針對性的分析是評判改進有效性的重要內(nèi)容。數(shù)據(jù)內(nèi)容為有效穩(wěn)像占比，如表1所示，用于衡量穩(wěn)像方法的有效程度，以不穩(wěn)定視頻指標(biāo)到真穩(wěn)定視頻指標(biāo)之差為尺度1，以不穩(wěn)定視頻指標(biāo)到穩(wěn)像方法指標(biāo)為有效穩(wěn)像，即：

(6)

式中，R為有效穩(wěn)像占比；Ho為穩(wěn)像方法的指標(biāo)；Hu為不穩(wěn)定視頻的指標(biāo)；Hs為真穩(wěn)定視頻的指標(biāo)。

表1對比了網(wǎng)絡(luò)改進前后輸出的結(jié)果在不同視頻的3個指標(biāo)上的具體數(shù)據(jù)。由表1中數(shù)據(jù)可以看出，提升的指標(biāo)(加粗的數(shù)值)占多數(shù)約71%，以平均值來看，3種指標(biāo)均有不同程度的提升，總的提升均值為7.73%。這些客觀評價指標(biāo)說明了在引入2個新約束后的PWStableNet網(wǎng)絡(luò)在綜合性能上優(yōu)于改進前。

表1 改進前后有效穩(wěn)像對比

4 結(jié)束語

本文對現(xiàn)有的視頻穩(wěn)像網(wǎng)絡(luò)PWStableNet進行改進，解決改進前網(wǎng)絡(luò)易發(fā)生局部失真的問題。對卷積網(wǎng)絡(luò)引入了2個新的約束：像素翹曲場的頻域約束和局部自由運動矢量的約束，來減少穩(wěn)定視頻在局部區(qū)域的多余運動，抑制局部失真，生成更穩(wěn)定的視頻。這2種約束的優(yōu)點在于以直接和間接2種方式進行評估，更加細(xì)致、全面地計算出局部自由運動大小。經(jīng)過實驗對比驗證，本文改進后的網(wǎng)絡(luò)生成的視頻在幀間差分具有更好的效果，同時在PSNR，SSIM和穩(wěn)定度等客觀性能指標(biāo)上較其他算法更優(yōu)。隨后的研究重點內(nèi)容將集中在優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)、提升計算效率上，以獲得更好的運算速度和穩(wěn)像效果。